基于改进InceptionV3算法的小麦杂质识别研究

摘要：为解决传统人工识别小麦效率低、主观性高的问题，提出一种基于改进的CBAM-InceptionV3小麦杂质识别方法。搭建机器视觉在线检测平台采集动态图像数据，采用数据集增强、图像预处理和KS分类方法对小麦杂质图像进行处理；选用GoogLeNet、ResNet34、InceptionV3三种模型对图像数据集进行分类训练。以InceptionV3模型为基础，引入注意力机制CBAM，增强模型对信息的敏感度，提升模型的识别准确率。将改进卷积神经网络CBAM-InceptionV3模型与加入CA模块的CA-InceptionV3、InceptionV3两种模型进行对比试验。结果表明，InceptionV3模型在测试集上准确率为83.5%、F1-Score为82.41%，CA-InceptionV3模型在测试集上准确率为92.3%、F1-Score值为92.29%，CBAM-InceptionV3在测试集上准确率为92.9%、F1-Score值为92.92%。CBAM-InceptionV3模型对测试集的平均预测时间为0.045张/s，明显优于其他两种模型。

关键词：小麦杂质；卷积神经网络；分类识别；CBAM-InceptionV3；可视化

中图分类号：S126; S512; TP391

文献标识码：A

文章编号：2095-5553 （2024） 04-0108-09

收稿日期：2022年9月8日" 修回日期：2023年3月21日

基金项目：重庆市技术创新与应用发展专项重点项目（cstc2019jscx—gksbX0001）

第一作者：林燕翔，女，1997年生，重庆人，硕士研究生；研究方向为智能检测与控制。E-mail： yanxianglin97@126.com

通讯作者：李光林，男，1963年生，四川平昌人，博士，教授，博导；研究方向为传感器与智能检测。E-mail： liguanglin@swu.edu.cn

Research on wheat impurity identification based on improved InceptionV3 algorithm

Lin Yanxiang1， Shen Yin2， Li Guanglin1

（1. College of Engineering and Technology， Southwest University， Chongqing， 400715， China；

2. College of Medical Information， Chongqing Medical University， Chongqing， 400016， China）

Abstract：

In order to solve the problem of low efficiency and high subjectivity of traditional wheat identification， an improved CBAM-InceptionV3 wheat impurity identification method was proposed. Firstly， a machine vision online detection platform was built to collect dynamic image data， and the wheat impurity image was processed by data set enhancement， image preprocessing and KS classification. Then， GoogLeNet， ResNet34 and InceptionV3 models were used to classify and train the image data set. Secondly， based on InceptionV3 model， CBAM was introduced to enhance the sensitivity of the model to information and improve the recognition accuracy of the model. The improved convolutional neural network CBAM-InceptionV3 model is compared with CA-InceptionV3 and InceptionV3 models added in CA module. The results show that the accuracy of InceptionV3 model on test set is 83.5% and F1-Score is 82.41%， and the accuracy of CA-InceptionV3 model on test set is 92.3% and F1-Score is 92.29%. CBAM-InceptionV3 has 92.9% accuracy and 92.92% F1-Score on the test set. The average prediction time of CBAM-InceptionV3 model for the test set is 0.045 pieces/s， which is significantly better than the other two models.

Keywords：

wheat impurity; convolutional neural network; classification and recognition; CBAM-InceptionV3; visualization

0 引言

小麦作为我国的主要粮食作物和重要的商品粮和储备粮，其品质直接影响人民生活。小麦杂质是影响品质的重要因素之一，同时也是衡量联合收割机作业质量的重要指标。随着科学技术的发展，图像处理技术、光谱分析和深度学习在小麦品质检测中得到了普遍的应用。Neethirajan［1］、苏忆楠［2］、Singh［3］、刘欢［4］等使用高光谱成像技术对小麦进行检测。樊超［5］、何红霞［6］、孟惜［7］、刘光宗［8］等使用传统图像处理技术结合分类器对小麦品质、不完善粒、杂质分类识别。然而光谱分析方法中不同物质具有不同特征谱线，同时需要提取物质内部的化合物，且光谱分析仪操作复杂，价格昂贵。传统的图像处理技术由特征提取算法与机器学习算法组成，前期数据集容易受外界因素的影响，降维等操作增加了算法的复杂度，降低了识别效率。在实际应用中，光谱分析方法、传统图像处理技术相对于深度学习方法很难快速地识别杂质类型，无法满足联合收割作业快速检测小麦杂质类别的要求。

近年来，深度学习已经受到了模式识别、语音识别等领域的高度关注，卷积神经网络作为深度学习的一个分支，如AlexNet、GoogLeNet、ResNet等分类网络，YOLO-v5、SSD、Faster R-CNN等目标检测网络，FCN、U-Net、SegNet等分割网络，由于其快速准确可靠的特点在农业生产检测识别中得到广泛应用。在农产品检测识别中，卷积神经网络用于对农作物［9-12］、食品［13-17］、害虫［18］、农机［19］等进行分类识别。对小麦的识别中，祝诗平等［20］设计了基于CNN小麦籽粒完整性图像检测系统对两类籽粒进行研究，识别性能最佳的AlexNet模型测试集识别准确率为98.02%，识别速率为0.827 ms/粒，100粒小麦的检测时间为26.3 s平均识别准确率为96.67%；曹婷翠等［21］运用CNN深度模型，实现小麦不完善粒识别，提出的方法相对于传统的图像处理识别方法，识别率提高15个百分点，相对于常规CNN模型，识别率提高5%，对于引入噪声以及亮度改变的图像，识别率也达到90%以上，设计的双面识别方案有效地降低了识别的错误率；张博［22］构建了残差CNN识别模型用于小麦籽粒识别，识别正确率达96.3%；宋怀波等［23］研究了基于YOLO v5-MDC的重度粘连小麦籽粒检测方法，该模型的精确率为93.15%，召回率为99.96%，平均精度均值为99.46%；Singh等［24］采用深度卷积神经网络（DCNN）和迁移学习方法用于检测小麦叶片的健康状况，训练模型准确率高达98%；武威［25］使用Fater R-CNN模型处理复杂背景图像，解决小麦籽粒分割与计数问题。

这些都表明深度学习在农业领域应用前景广阔，然而利用机器视觉结合卷积神经网络方法对小麦杂质的研究仍处于初步探索阶段，需要进一步的研究。基于此，本文采用机器视觉和改进卷积神经网络CBAM-InceptionV3方法对小麦杂质进行识别研究，搭建机器视觉在线检测平台，利用数据集增强、图像预处理和KS分类方法对小麦杂质图像进行处理，并建立图像数据集，同时构建卷积神经网络CBAM-InceptionV3，并利用梯度类激活映射方法（Grad-CAM）实现可视化分析，以实现小麦杂质的快速检测识别。

1 机器视觉硬件平台

根据试验要求，先构建基于机器视觉技术的小麦杂质检测系统，所研制检测系统包括输送单元、步进电机、条形LED光源、送料口以及图像采集部分与图像分析计算机软硬件部分，总体结构示意图如图1所示。杂质小麦经送料口进入传送单元，经过横杆扫平后进行图像采集（横杆位于传输单元上方1 cm处，它起到了平铺小麦的作用）。在线采集杂质小麦图像时传送带要选择合适的速度，速度过大直接造成图像数据集模糊不清。经反复试验对比，传送单元速度调整为4 cm/s，相机采集图片的速度为4 s/张。选择条形光源能使杂质小麦受光照均匀，避免绿色传输单元拍摄出反光图片。

2 样本采集与处理

2.1 数据集采集

图像采集系统主要包含相机、支架、载物台、光源、计算机。其中相机为丹麦JAI工业相机的APEX系列中AP-3200-PGE型，分辨率为2 064像素×1 544像素，12 fps，接口为GigE。镜头为日本兴和（Kowa）的Lens LM12HC型号，采用12 mm固定焦距，光圈范围为F1.4～F16，所采集的原始图像均为RGB图像，图片格式为bmp，该相机采集的原始数据集大小为12.2 MB，分辨率为2 080像素×1 544像素，在不影响数据集清晰度的情况下，训练前期将单张图片的长宽各缩小为原来的一半，分辨率为1 040像素×772像素，单张图片大小为2.29 MB，格式为jpg。

根据联合收割机过程中小麦杂质来源，将小麦数据集分为4种类型（图2），原始的杂质小麦数据集共计4 000张随机，为了试验样本的代表性和均匀性，采用KS分类方法，将数据集按7∶3划分成训练集和验证集。训练集用于训练模型，共计2 800张；验证集用来验证模型的准确率，共计1 200张。为了减少训练的迭代次数，提高训练分类的准确率，对原有的数据训练集和验证集样本进行数据集增强，分别对各类样本进行随机旋转、亮度增强、对比度增强、颜色增强操作，原始的数据集扩充为原来的4倍。训练集共计11 200张杂质小麦图像数据集，验证集共计4 800张杂质小麦图像数据集（表1）。

2.2 数据预处理

试验数据集均为在线采集，采集过程中会受到光照不均、运动模糊等因素的干扰，影响图像质量、降低分类识别的准确率，因此需对所有数据集进行光照调节、消除运动模糊。采用维纳滤波［26］图像复原算法解决运动模糊的问题、采用伽马变换［27］算法解决光照不均匀的问题，图3为四种类型数据集先后经过伽马变化、维纳滤波前后对比图。

3 改进InceptionV3模型

3.1 基础网络的选择

提升网络性能最直接最安全的方法就是增加网络深度（网络层次数量）和宽度（神经元数量），两种方法容易存在过拟合、梯度消失、梯度弥散等问题，解决此类问题需要在增加网络宽度和深度的同时减少参数。传统LeNet和AlexNet等分类网络，参数量多、易存在梯度消失等问题，而Inception系列在增加网络宽度深度的同时减少了参数量，将其用于GoogLeNet、InceptionV2、InceptionV3到InceptionV4等分类网络，模型的性能大幅度提升。

GoogLeNet只有22层，但参数数量却是AlexNet的1/12，将全连接层和一般的卷积转化为稀疏矩阵解决模型加深引起的网络过拟合；V2和V3在V1的基础上改变Inception结构、加入BN、辅助分类器等，性能大幅提升。InceptionV3在很多分类识别场景中得到了成功的应用。为了选取合适的卷积神经网络用于小麦杂质的识别，选择了两种经典网络GoogLeNet和ResNet34与InceptionV3进行比较。如图4所示为三种网络在同一批数据集上训练集（参数设置相同）。

由图4（a）可知GoogLeNet和ResNet34的损失分别为0.684和0.082，InceptionV3的损失在前期波动稍大，但达到平稳状态很快且损失相对较小最终稳定在0.005左右，分类误差相对较小、收敛时间短。图4（b）中相同周期训练下ResNet34和InceptionV3模型验证集准确率均达到了99%，而GoogLeNet模型验证集准确率为89.6%，综合考虑训练集损失和验证集准确率，InceptionV3的性能相对其他两种网络更高，符合在线快速检测的要求。

3.2 CBAM-InceptionV3网络模型

表2为CBAM-InceptionV3网络模型的参数设置。以InceptionV3模型为基础，引入注意力机制CBAM，如图5所示。

CBAM模块主要添加在InceptionV3模型的Block5和MaxPooling3之间，该模块的添加能够使模型更加注意数据集感兴趣的区域，提升模型的分类准确率。网络的输入图片大小为299像素×299像素×3通道，经过五个模块Block，CBAM模块等部分，最终输出四分类，Block3、Block4、Block5中Inception模块的结构设计如图6所示。辅助分类器位于Block4和Block5之间，它主要由一个池化层、两个卷积层、Dropout、Linear组成，辅助分类器的作用一是对模型做融合，二是增加网络反向传播的梯度信号，提供正则化。

3.3 CBAM（Convolutional Block Attention Module）

CBAM［28］结构如图7所示。CBAM包含两个独立的子模块，通道注意力模块（Channel Attention Module，CAM）和空间注意力模块（Spatial Attention Module，SAM），分别进行通道注意力机制与空间注意力机制的处理。这样不仅能够节约参数和计算力，还能保证其能够作为即插即用的模块集成到现有的网络架构，通过CBAM模块自适应地细化中间特征映射。以中间特征图F∈RC×H×W作为输入CBAM依次推断出一个1D通道注意力图Mc（F）∈RC×1×1和一个2D空间注意力图MS（F1）∈R1×H×W，总的推导过程如式（1）所示。

4 试验结果与分析

4.1 试验环境及参数设置

整个试验的运行环境为Ubuntu20.04（64位）操作系统，使用2张Tesla显卡，内存为125 GB，搭载Intel（R） Xeon（R） Gold 6242R CPU @ 3.10GHz处理器，Anaconda3，CUDA10.1编程平台，cuDNN10.1，基于开源深度学习框架Pytorch开发环境，Pytorch版本为1.7.1，使用Python3.6.5编程语言。将InceptionV3与卷积神经网络CBAM-InceptionV3、CA-InceptionV3分别对同一批数据进行训练，训练时将三种网络参数以及超参数等设置相同，如Batch-size设置为32、学习率设置为0.002、训练周期设置为100epoch、损失函数和优化算法均相同。

4.2 模型训练数据分析

如图8所示，迭代训练100个周期后，随着训练周期的不断增加，训练集的分类误差逐渐降低，三种网络的损失曲线在50个周期之后逐渐收敛，并且在一个稳定的范围内波动。

虽然三种模型训练集损失最终分别为0.014、0.013、0.005，但CBAM-InceptionV3、CA-InceptionV3模型损失曲线稳定后位于InceptionV3网络曲线的下方，说明在相同的训练周期中，改进的网络最先达到收敛；从验证集准确率曲线可知，在前期训练中三种网络准确率波动较大，随着训练周期的增加，准确率也在一定的范围内波动，三种曲线相差不大。综上所述，从训练效率、验证集准确率的角度来看该网络具有很好的效果。

4.3 模型测试数据分析

由于不同类别的小麦杂质在训练集和验证集中差距较大、数据样本不平衡，仅凭训练集上的准确率和损失函数不足以描述模型的泛化能力和实际应用性能，为了进一步证明CBAM-InceptionV3模型的优越性能，将其与CA-InceptionV3、InceptionV3网络模型进行测试实验来验证模型泛化能力。训练集上的图片都是经过预处理的图片，文中将未经过预处理、视角范围不同、加噪的图片作为测试集，4种杂质小麦图像各选250张，共计1 000张。采用准确率（Accuracy）和F1值（F1-Score）精确率（Precision）、召回率（Recall）［30］对模型进行评价。

纵轴为测试数据集的真实值，横轴为被网络预测的值，通过图中颜色的深浅程度可以判断分类识别的结果。通过模型的二分类混淆矩阵可以计算出多分类模型的准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1值（F1-Score）。从表3可以看出，三种网络模型在同一批测试集上的准确率分别为83.5%、92.9%、92.3%，平均F1-Score分别为82.41%、92.92%、92.29%。

从单类F1-Score来看InceptionV3对麦壳、麦穗、正常小麦的识别均低于其他两种网络，且对正常小麦的识别最低为65.95%。由于采集的数据集中正常小麦作为对照组，其他三种数据集的背景均为正常小麦，杂质识别过程中背景杂乱、杂质图片外观相似均会导致InceptionV3网络对正常小麦类识别率较低。由于CBAM模块、CA模块更加关注输入图片有意义的东西，在InceptionV3网络中添加CBAM模块即CBAM-InceptionV3模型，它对杂质识别总体准确率比未改进InceptionV3提高了9.4%、平均F1-Score提高了10.51%；在InceptionV3网络中添加CA模块即CA-InceptionV3模型对杂质识别总体准确率比未改进InceptionV3提升了8.8%、平均F1-Score提升了9.88%。CBAM-InceptionV3模型相比CA-InceptionV3模型总体准确率提升了0.6%，平均F1-Score提升了0.63%。CBAM-InceptionV3模型对测试集的平均预测时间为0.045张/s，明显低于其他两种模型。因此，改进的卷积神经网络CBAM-InceptionV3模型相比CA-InceptionV3、InceptionV3具有较好的应用效果。

4.4 分类结果可视化

为探究改进卷积神经网络模型分类的机理，采用特征图可视化和梯度类激活映射（Grad Class Activation Mapping，Grad-CAM）［31］方法。

Grad-CAM在CAM的基础上克服了只能在最后一个特征图之后使用全局平均池化和线性层做分类的缺陷，以热力图的形式展现图片中做分类决策的局部位置。展示模型预测小麦杂质分类的判断依据，Grad-CAM可视化计算过程如下。

5 结论

该研究以小麦杂质（麦壳、麦穗、秸秆、正常小麦）为研究对象，基于改进的卷积神经网络CBAM-InceptionV3的分类算法探究对小麦杂质分类识别，通过比较研究分析神经网络的训练及识别效果，验证深度学习用于小麦杂质分类识别的可行性。

1）" 搭建机器视觉在线检测平台，采用数据集增强算法、图像预处理和KS分类方法对4 000张图片进行处理，并选用GoogLeNet、ResNet34、InceptionV3三种模型对同一批数据集进行对比试验训练，结果表明InceptionV3优于GoogLeNet和ResNet34模型。

2） 提出一种改进的卷积神经网络CBAM-InceptionV3模型，该模型比InceptionV3模型对小麦杂质分类识别测试集准确率提高9.4%、平均F1-Score提高10.51%；在InceptionV3模型基础上加入CA模块即CA-InceptionV3模型相比InceptionV3模型对小麦杂质分类识别测试集准确率提高8.8%，平均F1-Score提高9.88%。三种模型均使用卷积层加BN层加激活函数的卷积模块、Dropout策略、RMSProp优化算法等优化方法。预测时间上，CBAM-InceptionV3模型对测试集的平均预测时间为0.045张/s，明显低于其他两种模型。改进的卷积神经网络CBAM-InceptionV3模型提高泛化能力和准确率，具有良好的应用前景。

3）nbsp; 利用Grad-CAM对模型进行可视化，最后以热力图的形式展现图片中做分类决策的局部位置，更有利于在线快速识别。

参 考 文 献

［1］ Neethirajan S， Jayas D S， White N D G. Detection of sprouted wheat kernels using soft X-ray image analysis ［J］. Journal of Food Engineering， 2007， 81（3）： 509-513.

［2］ 苏忆楠. 基于机器视觉和高光谱图像技术的粮食水分检测及杂质与不完善粒识别方法研究［D］. 杭州： 浙江大学， 2011.

Su Yinan. Research on grain water content detection and impurities recognition method based on machine vision and hyperspectral imaging technique ［D］. Hangzhou： Zhejiang University， 2011.

［3］ Singh C B， Jayas D S， Paliwal J， et al. Identification of insect-damaged wheat kernels using short-wave near-infrared hyperspectral and digital colour imaging ［J］. Computers and Electronics in Agriculture， 2010， 73（2）： 118-125.

［4］ 刘欢， 王雅倩， 王晓明， 等. 基于近红外高光谱成像技术的小麦不完善粒检测方法研究［J］. 光谱学与光谱分析， 2019， 39（1）： 223-229.

Liu Huan， Wang Yaqian， Wang Xiaoming， et al. Study on detection method of wheat unsound kernel based on near-infrared hyperspectral imaging technology ［J］. Spectroscopy and Spectral Analysis， 2019， 39（1）： 223-229.

［5］ 樊超， 夏旭， 石小凤， 等. 基于图像处理的小麦品种分类研究［J］. 河南工业大学学报（自然科学版）， 2011， 32（5）： 74-78.

Fan Chao， Xia Xu， Shi Xiaofeng， et al. Wheat variety classification based on image processing ［J］. Journal of Henan University of Technology （Natural Science Edition）， 2011， 32（5）： 74-78.

［6］ 何红霞. 基于机器视觉的小麦种子品种分类模型研究［D］. 合肥： 安徽农业大学， 2018.

He Hongxia. Study on classification model of wheat seed varieties based on machine vision ［J］. Hefei： Anhui Agricultural University， 2018.

［7］ 孟惜. 基于图像处理的小麦籽粒饱满度检测及品种识别［D］. 保定： 河北农业大学， 2017.

Meng Xi. Detection of wheat grain saturation and identification of varieties based on image processing ［D］. Baoding： Heibei Agricultural University， 2017.

［8］ 刘光宗. 小麦含水率、容重、杂余数字化检测方法研究［D］. 合肥： 安徽农业大学， 2020.

Liu Guangzong. Study on digital detection method of wheat moisture content， test weight and miscellaneous ［D］. Hefei： Anhui Agricultural University， 2020.

［9］ 陈进， 韩梦娜， 练毅， 等. 基于U-Net模型的含杂水稻籽粒图像分割［J］. 农业工程学报， 2020， 36（10）： 174-180.

Chen Jin， Han Mengna， Lian Yi， et al. Segmentation of impurity rice grain images based on U-Net model ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（10）： 174-180.

［10］ 马志艳， 张徐康， 杨光友. 基于改进Mask R-CNN的水稻茎秆杂质分割方法研究［J］. 中国农机化学报， 2021， 42（6）： 145-150.

Ma Zhiyan， Zhang Xukang， Yang Guangyou. Research on segmentation method of rice stem impurities based on improved Mask R-CNN ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（6）： 145-150.

［11］ Sa I， Ge Z， Dayoub F， et al. Deepfruits： A fruit detection system using deep neural networks ［J］. Sensors， 2016， 16（8）： 1222.

［12］ 陈进， 张帅， 李耀明， 等. 联合收获机水稻破碎籽粒及杂质在线识别方法［J］. 中国农机化学报， 2021， 42（6）： 137-144.

Chen Jin， Zhang Shuai， Li Yaoming， et al. Research on online identification system of rice broken impurities in combine harvester ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（6）： 137-144.

［13］ 张思雨， 张秋菊， 李可. 采用机器视觉与自适应卷积神经网络检测花生仁品质［J］. 农业工程学报， 2020， 36（4）： 269-277.

Zhang Siyu， Zhang Qiuju， Li Ke. Detection of peanut kernel quality based on machine vision and adaptive convolution neural network ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（4）： 269-277.

［14］ Rong D， Wang H， Xie L， et al. Impurity detection of juglans using deep learning and machine vision ［J］. Computers and Electronics in Agriculture， 2020， 178： 105764.

［15］ 赵德安， 吴任迪， 刘晓洋， 等. 基于YOLO深度卷积神经网络的复杂背景下机器人采摘苹果定位［J］. 农业工程学报， 2019， 35（3）： 164-173.

Zhao Dean， Wu Rendi， Liu Xiaoyang， et al. Apple positioning based on YOLO deep convolutional neural network for picking robot in complex background ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（3）： 164-173.

［16］ 刘小刚， 范诚， 李加念， 等. 基于卷积神经网络的草莓识别方法［J］. 农业机械学报， 2020， 51（2）： 237-244.

Liu Xiaogang， Fan Cheng， Li Jianian， et al. Identification method of strawberry based on convolutional neural network ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（2）： 237-244.

［17］ 傅隆生， 冯亚利， Elkamil Tola， 等. 基于卷积神经网络的田间多簇猕猴桃图像识别方法［J］. 农业工程学报， 2018， 34（2）： 205-211.

Fu Longsheng， Feng Yali， Elkamil Tola， et al. Image recognition method of multi-cluster kiwifruit in field based on convolutional neural networks ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（2）： 205-211.

［18］ 张博， 张苗辉， 陈运忠. 基于空间金字塔池化和深度卷积神经网络的作物害虫识别［J］. 农业工程学报， 2019， 35（19）： 209-215.

Zhang Bo， Zhang Miaohui， Chen Yunzhong. Crop pest identification based on spatial pyramid pooling and deep convolution neural network ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（19）： 209-215.

［19］ Zhang Z， Liu H， Meng Z， et al. Deep learning-based automatic recognition network of agricultural machinery images ［J］. Computers and Electronics in Agriculture， 2019， 166： 104978.

［20］ 祝诗平， 卓佳鑫， 黄华， 等. 基于CNN的小麦籽粒完整性图像检测系统［J］. 农业机械学报， 2020， 51（5）： 36-42.

Zhu Shiping， Zhuo Jiaxin， Huang Hua， et al. Wheat grain integrity image detection system based on CNN ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（5）： 36-42.

［21］ 曹婷翠， 何小海， 董德良， 等. 基于CNN深度模型的小麦不完善粒识别［J］. 现代计算机（专业版）， 2017（36）： 9-14.

Cao Tingcui， He Xiaohai， Dong Deliang， et al. Identification of unsound kernels in wheat based on CNN deep model ［J］. Modern Computer （Professional Edition）， 2017（36）： 9-14.

［22］ 张博. 基于深度学习的小麦外观品质机器视觉检测研究［D］.咸阳： 西北农林科技大学， 2019.

Zhang Bo. Machine vision inseption of wheat apprearance quality based on deep learning ［D］. Xianyang： Northwest A amp; F University， 2019.

［23］ 宋怀波， 王云飞， 段援朝， 等. 基于YOLO v5-MDC的重度粘连小麦籽粒检测方法［J］. 农业机械学报， 2022， 53（4）： 245-253.

Song Huaibo， Wang Yunfei， Duan Yuanchao， et al. Detection method of severe adhesive wheat grain based on YOLO v5-MDC model ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（4）： 245-253.

［24］ Singh A， Arora M. CNN based detection of healthy and unhealthy wheat crop ［C］. 2020 International Conference on Smart Electronics and Communication （ICOSEC）. IEEE， 2020： 121-125.

［25］ 武威. 基于机器视觉技术的稻麦籽粒外观品质评测研究［D］. 扬州： 扬州大学， 2021.

Wei Wu. Research on appearance quality evaluation of rice and wheat grains based on machine vision technology ［D］. Yangzhou： Yangzhou University， 2021.

［26］ Zhang X， Qiao Y， Meng F， et al. Identification of maize leaf diseases using improved deep convolutional neural networks ［J］. IEEE Access， 2018， 6： 30370-30377.

［27］ Tsai C M. Adaptive local power-law transformation for color image enhancement ［J］. Applied Mathematics amp; Information Sciences， 2013， 7（5）： 2019.

［28］ Woo S， Park J， Lee J Y， et al. CBAM： Convolutional block attention module ［J］. Springer， Cham， 2018.

［29］ Ashiquzzaman A， Tushar A K， Dutta S， et al. An efficient method for improving classification accuracy of handwritten Bangla compound characters using DCNN with dropout and ELU ［C］. 2017 Third International Conference on Research in Computational Intelligence and Communication Networks （ICRCICN）. IEEE， 2017： 147-152.

［30］ Hripcsak G， Rothschild A S. Technical brief： agreement， the F-Measure， and reliability in information retrieval ［J］. Hripcsak， Rothschilsd， Agreement in Information Retrieval， 2005， 12（3）： 296-298.

［31］ Selvaraju R R， Cogswell M， Das A， et al. Grad-cam： Visual explanations from deep networks via gradient-based localization ［C］. Proceedings of the IEEE International Conference on Computer Vision. 2017： 618-626.